Оконные функции:
Что-то, как это должно сделать трюк:
import org.apache.spark.sql.functions.{row_number, max, broadcast}
import org.apache.spark.sql.expressions.Window
val df = sc.parallelize(Seq(
(0,"cat26",30.9), (0,"cat13",22.1), (0,"cat95",19.6), (0,"cat105",1.3),
(1,"cat67",28.5), (1,"cat4",26.8), (1,"cat13",12.6), (1,"cat23",5.3),
(2,"cat56",39.6), (2,"cat40",29.7), (2,"cat187",27.9), (2,"cat68",9.8),
(3,"cat8",35.6))).toDF("Hour", "Category", "TotalValue")
val w = Window.partitionBy($"hour").orderBy($"TotalValue".desc)
val dfTop = df.withColumn("rn", row_number.over(w)).where($"rn" === 1).drop("rn")
dfTop.show
// +----+--------+----------+
// |Hour|Category|TotalValue|
// +----+--------+----------+
// | 0| cat26| 30.9|
// | 1| cat67| 28.5|
// | 2| cat56| 39.6|
// | 3| cat8| 35.6|
// +----+--------+----------+
Этот метод будет неэффективным в случае значительного перекоса данных. агрегация Plain SQL
следует join
:
В качестве альтернативы вы можете присоединиться к агрегированному кадру данных:
val dfMax = df.groupBy($"hour").agg(max($"TotalValue"))
val dfTopByJoin = df.join(broadcast(dfMax),
($"hour" === $"max_hour") && ($"TotalValue" === $"max_value"))
.drop("max_hour")
.drop("max_value")
dfTopByJoin.show
// +----+--------+----------+
// |Hour|Category|TotalValue|
// +----+--------+----------+
// | 0| cat26| 30.9|
// | 1| cat67| 28.5|
// | 2| cat56| 39.6|
// | 3| cat8| 35.6|
// +----+--------+----------+
Это будет держать повторяющиеся значения (если есть больше чем одна категории в час с одинаковое общее значение). Вы можете удалить их следующим образом:
dfTopByJoin
.groupBy($"hour")
.agg(
first("category").alias("category"),
first("TotalValue").alias("TotalValue"))
Использование упорядоченность над structs
:
Аккуратные, хотя и не очень хорошо протестирована, трюк, который не требует присоединяется или окна функции:
val dfTop = df.select($"Hour", struct($"TotalValue", $"Category").alias("vs"))
.groupBy($"hour")
.agg(max("vs").alias("vs"))
.select($"Hour", $"vs.Category", $"vs.TotalValue")
dfTop.show
// +----+--------+----------+
// |Hour|Category|TotalValue|
// +----+--------+----------+
// | 0| cat26| 30.9|
// | 1| cat67| 28.5|
// | 2| cat56| 39.6|
// | 3| cat8| 35.6|
// +----+--------+----------+
С DataSet API (Искры 1.6+, 2.0+):
Спарк 1.6:
case class Record(Hour: Integer, Category: String, TotalValue: Double)
df.as[Record]
.groupBy($"hour")
.reduce((x, y) => if (x.TotalValue > y.TotalValue) x else y)
.show
// +---+--------------+
// | _1| _2|
// +---+--------------+
// |[0]|[0,cat26,30.9]|
// |[1]|[1,cat67,28.5]|
// |[2]|[2,cat56,39.6]|
// |[3]| [3,cat8,35.6]|
// +---+--------------+
Спарк 2.0 или более поздняя версия:
df.as[Record]
.groupByKey(_.Hour)
.reduceGroups((x, y) => if (x.TotalValue > y.TotalValue) x else y)
Последние два метода можно использовать карты со стороны комбината и не требуют полной перетасовать поэтому большую часть времени должна демонстрировать более высокую производительность по сравнению с оконными функциями и присоединяется.
Не используйте:
df.orderBy(...).groupBy(...).agg(first(...), ...)
Это может показаться на работу (особенно в режиме local
), но это ненадежно (SPARK-16207). Кредиты к Tzach Zohar за linking relevant JIRA issue.
То же замечание относится и к
df.orderBy(...).dropDuplicates(...)
, который внутренне использует эквивалентный план выполнения.
Похоже, так как искра 1,6 это [row_number()] (https://spark.apache.org/docs/latest/api/scala/index .html # org.apache.spark.sql.functions $ @ row_number(): org.apache.spark.sql.Column) вместо rowNumber –
О Не использовать df.orderBy (...). gropBy (. ..). При каких обстоятельствах мы можем полагаться на orderBy (...)? или если мы не можем быть уверены, что orderBy() собирается дать правильный результат, какие альтернативы у нас есть? –
Возможно, я что-то пропустил, но в целом рекомендуется [избегать groupByKey] (https://databricks.gitbooks.io/databricks-spark-knowledge-base/content/best_practices/prefer_reducebykey_over_groupbykey.html), а вместо этого уменьшитьByKey должно быть используемый. Кроме того, вы сохраните одну строку. – Thomas